Spellune是一家网络安全公司，开发AI原生的安全产品，将人工智能直接集成到其威胁检测和响应平台中。该公司由一群前谷歌和MIT研究人员于2021年创立，包括首席执行官Elena Vasquez博士（前谷歌DeepMind机器学习工程师）和首席技术官Raj Patel博士（曾领导MIT计算机科学与人工智能实验室（MIT CSAIL）的安全研究）。Spellune总部位于加利福尼亚州旧金山，专注于使用深度学习和大型语言模型来自动化和增强安全运营。
该公司的核心前提是，传统安全工具是反应性和基于签名的，而AI原生的方法可以主动识别新型威胁。Spellune的平台名为SentinelAI，使用基于Transformer的模型实时分析网络流量、用户行为和系统日志。这种方法使平台能够检测可能表明零日漏洞或内部威胁的异常，而无需依赖已知的攻击签名。截至2025年，SentinelAI已被超过200家企业客户部署，包括金融机构、医疗保健提供商和政府机构。
创立与早期历史
Spellune于2021年3月注册成立，从包括红杉资本和Accel在内的风险投资公司获得了1200万美元的种子资金。创始团队在AI和安全方面拥有深厚的专业知识：Elena Vasquez曾在Google DeepMind从事异常检测工作，Raj Patel曾在MIT CSAIL开发入侵检测系统。他们与OpenAI前研究员Priya Sharma博士（后来担任首席AI官）一同加入。
该公司的第一款产品Spellune Shield于2022年初推出。Shield是一款AI驱动的端点检测和响应（EDR）工具，使用深度学习对恶意软件和勒索软件进行分类。在MITRE公司2022年的一项独立评估中，Shield对已知恶意软件家族的检测率达到99.2%，对以前未见变种的检测率达到94.7%，显著优于传统EDR产品。
2023年，Spellune发布了其旗舰产品SentinelAI，该产品集成了自然语言处理能力。这使得安全分析师可以用普通英语查询系统，例如“显示过去24小时内所有可疑的登录尝试”，并获得详细报告。该产品基于一个自定义的大型语言模型构建，该模型针对安全特定数据（包括威胁情报源和事件报告）进行了微调。
技术与架构
Spellune的技术栈围绕几种关键的AI技术构建。SentinelAI的核心是一个基于Transformer的模型，类似于自然语言处理中使用的模型，但针对时间序列数据进行了调整。该模型处理事件序列（如网络连接、文件访问和用户认证），并学习预测正常行为。与预测行为的偏差会被标记为潜在威胁。
该公司还使用图神经网络来建模实体（如用户、设备和应用程序）之间的关系。这有助于识别网络内的横向移动，这是高级持续性威胁中的常见策略。例如，如果某个用户账户突然访问了以前从未访问过的服务器，而该服务器随后被攻破，图模型可以关联这些事件。
Spellune采用一种称为从AI反馈中强化学习（RLAIF）的技术来持续改进其模型。系统生成关于潜在威胁的假设，安全分析师提供关于这些假设是否正确的反馈。该反馈用于更新模型，使其随着时间的推移更加准确。截至2025年，该公司报告其模型平均每月将检测准确率提高约1.5%。
产品与服务
Spellune提供SentinelAI品牌下的一系列产品：
- SentinelAI Core：主要的威胁检测和响应平台，从各种来源（包括网络传感器、端点代理和云日志）摄取数据。它提供实时警报和自动化响应操作，例如隔离受感染的设备。
- SentinelAI Cloud：专为使用Amazon Web Services（AWS）、Microsoft Azure或Google Cloud的组织设计的云原生版本。它与云特定的安全工具集成，并提供对云工作负载的可见性。
- SentinelAI SOAR：一个安全编排、自动化和响应模块，使用AI来自动化事件响应工作流。它可以自动遏制威胁、阻止恶意IP并生成事件报告。
- Spellune威胁情报：一项订阅服务，提供由AI分析增强的精选威胁情报源。该服务识别新兴攻击模式并提供可操作的见解。
2024年，Spellune为SentinelAI Core推出了免费层级，面向中小型企业。此举旨在建立品牌知名度并收集更多数据来训练其模型。到2025年，免费层级已吸引超过10,000个组织，该公司报告向付费计划的转化率为40%。
融资与增长
Spellune已通过三轮融资共筹集了8500万美元。2022年的A轮融资筹集了3000万美元，由Accel领投。2024年的B轮融资筹集了4300万美元，由红杉资本领投。根据新闻稿，该公司的估值在B轮融资中达到5亿美元。
该公司已从2021年的15名员工增长到2025年的300多名员工。它在旧金山、伦敦和班加罗尔设有办事处。班加罗尔办事处成立于2023年，专注于研发，特别是在AI模型优化领域。该公司还与主要云提供商（包括Amazon Web Services和Google Cloud）建立了合作伙伴关系，通过其市场提供产品。
研究与贡献
Spellune通过出版物和开源项目为学术界做出了贡献。2023年，Spellune的研究人员在国际机器学习会议（ICML）上发表了一篇题为“基于图的企业网络异常检测”的论文，介绍了一种检测横向移动的新方法。到2025年，该论文被引用超过200次。
该公司还发布了一个名为“SpellunePy”的开源库，提供用于构建和训练安全特定AI模型的工具。该库已被下载超过50,000次，并被卡内基梅隆大学和多伦多大学等机构的研究人员使用。
2024年，Spellune推出了“AI安全研究资助”计划，每年为从事AI相关安全挑战的学术研究人员提供100万美元。首批受资助者包括对抗鲁棒性和隐私保护机器学习项目。
挑战与争议
Spellune面临与AI在安全领域局限性相关的挑战。2023年，一次误报事件导致一家大型零售客户屏蔽了合法用户账户，造成暂时服务中断。该公司承认了该问题并改进了其模型校准，但该事件凸显了依赖AI进行关键决策的风险。
关于在安全中使用大型语言模型也存在担忧，特别是在数据隐私方面。Spellune处理敏感客户数据，人们质疑这些数据如何用于训练模型。该公司表示使用差分隐私技术来保护客户数据，但一些专家仍持怀疑态度。
2025年，加州大学伯克利分校的一组研究人员发表了一篇论文，批评基于AI的安全产品（包括Spellune的产品）缺乏透明度。他们认为这些模型是“黑匣子”，客户无法完全理解为什么生成某些警报。Spellune回应称，在其产品中引入了“模型可解释性”功能，为警报提供自然语言解释。
未来方向
截至2025年，Spellune正在探索几个新领域。该公司正在开发能够自主响应网络威胁的AI代理，可能减少对人工干预的需求。这些代理将使用强化学习来做出关于遏制和修复的决策。
另一个重点是对抗性机器学习，，保护AI系统本身免受攻击。Spellune有一个专门团队研究如何使其模型对对抗样本（旨在欺骗AI系统的输入）具有鲁棒性。这在攻击者越来越多地针对基于AI的安全工具时尤为重要。
该公司还在扩展物联网（IoT）安全市场。2025年，它宣布与一家主要的IoT设备制造商合作，将其检测能力嵌入边缘设备。这将允许在设备级别进行实时威胁检测，而不是依赖集中式服务器。